（1）并交集
（2）非极大值抑制 (Non-maximum suppression, NMS)
在目标检测过程中，对于一个物体，会预测出多个位置范围（boundingbox, bbox），NMS 就是要排除与真实情况重叠度低的位置范围，只保留重叠度最高的那个重叠度低位置范围的位置信息。
（3）精度（Precision）和召回率（Recall）
将样本数据分类正类和负类。TP（TruePositives）表示被分为正样本，并且分对了；TN（True Negatives）表示被分为负样本，而且分对了；FP（False Positives）表示被分为正样本，但是分错了（负样本）；FN（False Negatives）表示被分为负样本，但是分错了（正样本）。Precision=
，预测正类预测正确的样本数，占预测是正类的样本数的比例。Recall=
，预测正类预测正确的样本数占所有正类样本数的比例。
(4) 平均准确度（Average Precision，AP）
(5)目标检测算法分两阶段模型和一阶段模型
两阶段模型（Two stage）两阶段模型因其对图片的两阶段处理得名，也称为基于区域（Region-based）的方法，一是基于图片提出若干可能包含物体的区域（图片的局部裁剪）；二是在提出的这些区域上运用当时表现最好的图片分类网络的神经网络，将每个区域内物体的类进行类别标注。
一阶段模型（One stage）一阶段模型没有中间的区域检出过程，直接从图片获得预测结果。
VOLO V4和TDV算法结果比较：
（1）基于迁移学习的车辆目标检测算法（Transfer-Vehicle-Detection, TVD）。
提升效果：
算法思路：基于迁移学习的车辆目标检测算法，设计一个三阶段模型（Three stage）。
第一阶段进行低分辨率图片车辆识别预训练，第二阶段运用第一阶段的参数进行车辆目标检测训练，第三阶段进行最终调优。
- 低分辨率图片车辆识别预训练
- 基于车辆识别预训练的车辆目标检测
- 最终调优
手工标注 10000 张（labled-data），然后进行车图片车辆识别的最终训练调优（Fine-tune）。
随着深度学习的快速发展，基于长短记忆网络 (Long short-term memory，LSTM) 的时间序列预测方法取得了较好的结果。但是，LSTM 具有对（1）历史数据挖掘能力有限和（2) 计算效率较低的缺点。
